輔助駕駛中基于單幅圖像的復雜道路場景分類方法研究.pdf

1、對道路場景圖像進行有效的語義解析和分類，有助于提高輔助駕駛系統(tǒng)的魯棒性，并且能夠保證在獲取足夠語義信息的前提下，減少系統(tǒng)存儲量，降低計算復雜度。本文針對輔助駕駛中基于單幅的復雜道路場景圖像分類的方法進行了深入的研究，具體研究內容包括以下幾方面：
　　首先，構建融合特征圖像描述方法。本文提出了一種基于多特征融合復雜道路場景分類方法，其核心思想是多特征融合加權融合并級聯分類。該方法提取圖像全局特征、梯度直方圖特征和改進的顏色直方圖特征

2、，并對特征進行主成分分析融合，得到低維融合子空間特征。最終將特征提取結果送入分類器中進行訓練和預測。
　　其次，卷積神經網絡特征優(yōu)化。本文提出一種基于深度學習中卷積神經網絡預訓練的道路場景分類方法。首先針對樣本圖像構建響應的深層網絡模型并進行訓練，得到適用于道路場景圖像特征提取的深度學習模型，然后將樣本圖像送入模型中進行層層映射，得到圖像語義的深層特征描述，最后結合支持向量機等高性能分類器，對特征提取結果進行分類。
　　最后

3、，構建道路圖像場景數據庫。針對目前道路場景分類圖像庫中道路類型種類數及其在智能交通中的應用性，構建了包含雪地、鄉(xiāng)村、街景、高速公路、荒漠和隧道6類常見的道路場景數據庫，并在此基礎上進行實驗。大量的實驗及對比結果表明，多特征融合復雜道路場景分類方法平均正確率可達91％;基于深度學習預訓練的多特征融合復雜道路場景分類方法平均正確率可達91.27%，相對于經典的道路場景分類方法在正確率、算法魯棒性方面都有一定提高，印證了本文所提出算法的有效性